北航软件技术基础作业2.docxVIP

软件技术基础作业院（系）名称计算机学院学生姓名杨立群学号BY16061442016年11月目录目录1概述11.1 作业内容及目标11.2 思路与方案12原示例程序分析22.1 原示例程序处理流程22.2 原示例程序不能处理的情况22.2.1 substr与H9N2-2009匹配的位置不止一个22.2.2 substr的子串与H9N2-2009后续位置匹配33算法设计53.1 MutantKMPmatching53.2 主程序流程6结论8概述作业内容及目标比较DNA字符串DNA2009和DNA2010。找出两者之间所有相同长度大于16的基因段，相同的段尽可能取最长的长度显示出相同的段以及在两个DNA中的位置。思路与方案主要采用一种变异的KMP算法（MutantMKPmatching，MKMP）。该算法在主要的字符串比对部分于KMP算法相同，但针对本次作业的实际情况做出了一定的优化。具体比对过程为：从H9N1-2010首个字符开始，逐个选取以第一个、第二个、第三个… …字符开始且长度为16的子串，使用MKMP算法比较该字串与H9N2-2009，获取能够匹配的H9N2-2009中的全部位置（而非初次匹配的位置）。最后从这些位置开始，先输出16个字符，再从第17个字符开始逐个比对两个序列对应位置，相同则输出，直到不相同为止。原示例程序分析原示例程序处理流程作业给出了一个示例程序，该程序实现了KMP算法，并通过调用该算法，进行DNA序列比对，其流程为：2010[j+offset]=2009[i+offset] NONO YESjlength(2010)-16 YES取j=0；取出长度为16个字符的字符串：substr=H9N1-2010[j:j+16]，利用KMP算法，比较H9N2-2009与substr，返回首次匹配的位置i；取offset=16；substr+=H9N2-2009[i+offset]，offset++;若H9N1-2010[j+offset]==H9N2-2009[i+offset]，返回(4)，否则进入(6)输出i、j、substr，取j=j+offset，若jlen(H9N1-2010)-16，结束，否则返回(2)。原示例程序不能处理的情况substr与H9N2-2009匹配的位置不止一个由于示例程序中调用KMP算法只返回substr与H9N1-2010匹配的首个位置，因此若H9N1-2010后续部分仍有与substr匹配的部分不会被发现。一个实例如下：H9N2-2009： ATGGAAACAATAGCACTATGGAAACAATAGCACH9N1-2010： ATGGAAACAATAGCACTAATAGCTATACTATTA上例中，程序开始时所取substr为前16个字符（黄色部分）。N9N2-2009中于substr匹配的子串有两个（红色部分），而示例程序只发现第一个。运行结果如下：substr的子串与H9N2-2009后续位置匹配由于执行完一次匹配后，原示例程序执行j=j+offset，因此若substr的某个字串与H9N2-2009后续的某个为止匹配，原示例程序无法发现。考虑如下实例：H9N2-2009： ATGGAAACAATAGCACTAATAGCTATACTATTATTTGGAAACAATAGCACTAH9N1-2010： ATGGAAACAATAGCACTAATAGCTATACTATTATTAAATTTTGGGAAAATTG上例中，H9N2-2009红色部分与H9N1-2010黄色部分相匹配，而黄色部分中的字串（绿色部分）与H9N2-2009绿色部分匹配。在第一轮匹配输出完毕后，substr为黄色部分，执行j=j+offset后，substr取为蓝色部分，再次执行匹配后没有发现匹配，程序结束。而绿色部分则被略过。运行结果如下：算法设计MutantKMPmatching由于KMP算法每次只返回目标串首次匹配到的位置，因此需要对其做出修正，同时针对本次作业做出相应优化。因此提出MutantKMPmatching(s,p,pindex,pre)。其中s为目标串，p为模式串，pindex为p首字符在原串（H9N1-2010）中的位置，pre将在下文中说明。MutanKMPmatching维护了两个重要的数据结构，FirstMatchedIndex和pre。FirstMatchedIndex为一个dict对象，其中每一个item对应一个完全匹配（两个序列共有）的16字符子串，其键值key对应该子串在H9N2-2009中首次出现的位置，FirstMatchedIndex[key]是一个拥有两个元素的list对象。FirstMatchedIndex[key][0]表示字串在H9N2-2009后续出现的位置的集